视频目标跟踪是计算机视觉领域的研究热点和难点,在智能视频监控、军事制导、人机交互、智能交通以及视频检索等领域有着广泛应用。基于相关滤波的视频目标跟踪算法具有良好的跟踪精度和跟踪速度,成为近年来备受关注的主流算法。但是,由于存在光照变化、遮挡、边界效应等干扰,仍需要进一步研究。本文以相关滤波算法为基础,提出了两种改进算法。(1)以ECO跟踪算法框架为基础,提出了一种多特征描述符融合的广域搜索在线跟踪算法,进一步提高了跟踪的实时性和精度。主要工作:1)将DAT描述符与HOG+CN描述符融合,提高特征提取的准确性与鲁棒性,并利用背景感知算法降低目标的边界效应;2)利用边界响应图,通过BACF框架训练新的滤波器,并与原滤波器线性相加构造最终的滤波器;3)优化模型更新与样本模型权重选取的方法。通过与当前主流算法的比较,结果表明,相比于改进前的ECO-HC算法,平均DP提高了 1.6%,平均OP提高了 2.1%。。(2)针对目标遮挡问题,提出一种验证式背景感知滤波及重检测跟踪算法。首先,使用背景感知相关滤波器提取手工特征,并根据目标搜索域内的最大响应值与平均峰值相关能量两个因素,判断目标的遮挡程度。其次,根据目标遮挡程度的判断结果,实行分类处理。当目标受到遮挡时,使用SiamFC算法对目标进行重检测,根据匹配置信度对目标模型进行自适应更新。如果遮挡,则舍去本帧目标模型的更新操作。所提算法在OTB-50视频集进行性能测试,并与其他主流目标跟踪算法进行比较。结果表明,相比于改进前的BACF算法,平均DP提高了 4.3%,平均OP提高了 1.1%。